ỨNG DỤNG lọc PARTICLE TRONG bài TOÁN THEO vết đối TƯỢNG

TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN CÔNG NGHỆ TRI THỨC

LÊ NGUYỄN TƯỜNG VŨ - NGUYỄN MINH TRANG

ỨNG DỤNG LỌC PARTICLE
TRONG
BÀI TOÁN THEO VẾT ĐỐI TƯỢNG

KHOÁ LUẬN CỬ NHÂN TIN HỌC

TP. HCM, 2005


TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN CÔNG NGHỆ TRI THỨC

LÊ NGUYỄN TƯỜNG VŨ

- 0112082

NGUYỄN MINH TRANG

- 0112159

ỨNG DỤNG LỌC PARTICLE
TRONG
BÀI TOÁN THEO VẾT ĐỐI TƯỢNG
KHOÁ LUẬN CỬ NHÂN TIN HỌC

GIÁO VIÊN HƯỚNG DẪN

T.S LÊ HỒI BẮC

NIÊN KHĨA 2001 - 2005


LỜI CẢM ƠN
Đầu tiên, chúng tôi xin chân thành gửi lời tri ân đến Thầy Lê Hoài Bắc. Luận này này
sẽ khơng thể hồn thành nếu khơng có sự hướng dẫn, tin tưởng và tạo cơ hội của thầy.
Chúng em xin chân thành cảm ơn sự chỉ bảo của thầy.
Chúng tôi cũng xin chân thành gửi lời tri ân đến Thầy Phạm Nam Trung. Thầy đã
tận tình hướng dẫn, giúp đỡ, góp ý cho chúng em trong thời gian qua, cũng như tiếp
thêm động lực và ý chí, giúp chúng em hoàn thành được luận văn.
Chúng em xin trân trọng cảm ơn quý Thầy cô trong Khoa Công nghệ thông tin
trường Đại học Khoa học Tự nhiên Tp.Hồ Chí Minh đã tận tình giảng dạy, truyền đạt
những kiến thức quý báu và tạo điều kiện cho chúng em được thực hiện luận văn này.
Đề tài này thuộc về một lĩnh vựa nghiên cứu mới trên thế giới là lại rất mới ở Việt
Nam cộng thêm năng lực hạn chế của người thực hiện cho nên đề tài chắc chắn là chưa
hồn thiện và có nhiều sai sót. Chúng tơi mong nhận được nhiều ý kiến đóng góp và
giúp để đề tài hoàn thiện hơn và được ứng dụng trong thực tiễn…
Tp.HCM, 7/2005
Sinh viên thực hiện

Lê Nguyễn Tường Vũ
Nguyễn Minh Trang

i

Nhận xét của giáo viên hướng dẫn
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................

ii


Nhận xét của giáo viên phản biện
.......................................................................................................................................

.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................
.......................................................................................................................................

iii


TÓM TẮT LUẬN VĂN
Lọc Particle là một phương pháp thành cơng trong bài tốn theo vết đối tượng theo thời
gian thực. Nó là một phương pháp mới đang là sự tập trung của nhiều nghiên cứu hiện
nay bởi nó khắc phục được nhược điểm của các phương pháp cổ điển như lọc Kalman,

so khớp mẫu (Template Matching)…
Trong luận văn này, chúng tơi sẽ trình bày cơ sở lý thuyết của phương pháp lọc
Particle, cũng như hai phương pháp mở rộng của lọc Particle: lọc Particle kết hợp với
Mean shift ứng dụng cho bài toán theo vết 1 đối tượng, lọc Particle ứng dụng cho bài
toán theo vết nhiều đối tượng. Qua khảo sát và cài đặt thử nghiệm cho thấy, hai
phương pháp này thật sự là hai phương pháp mạnh mẽ và hiệu quả có thể là giải pháp
cho các bài toán theo vết đối tượng thực tế.
Một số từ khóa: lọc Particle (Particle Filter), theo vết đối tượng (object tracking),
phát hiện chuyển động (motion detection), ước lượng Bayesian (Bayesian Estimation).

iv


MỞ ĐẦU
Theo dõi đối tượng theo thời gian thực (real-time object tracking) là một công đoạn
quan trọng trong rất nhiều ứng dụng thị giác máy tính (computer vision applications).
Những hệ thống thuộc loại này có thể kể ra như là: hệ thống quan sát – theo dõi đối
tượng, hệ thống giao diện người dùng dựa vào cảm nhận (perceptual user interface),
những căn phịng thơng minh, hệ thống nén video dựa vào đối tượng (object-based
video compression) và những hệ thống thông minh hỗ trợ tài xế lái xe tự động.
Mặc dù đã được nghiên cứu nhiều năm, bài toán “theo dõi đối tượng” vẫn là một
vấn đề nghiên cứu mở cho đến ngày nay. Mức khó khăn của vấn đề này phụ thuộc
nhiều vào đối tượng được phát hiện và theo vết như thế nào. Hiện nay, có rất nhiều
phương pháp theo vết như: So khớp mẫu (Template Matching), Mean shift, lọc
Kalman, lọc Particle … Mỗi phương pháp có điểm mạnh và điểm yếu riêng, tuy nhiên
phương pháp lọc Particle có thể khắc phục được những nhược điểm của các phương
pháp khác như: theo vết đối tượng theo thời gian thực, theo vết tốt các đối tượng trong
trường hợp phi tuyến và không phải nhiễu Gauss …
Với mong muốn tiếp cận một hướng nghiên cứu mới trên thế giới và có nhiều ứng
dụng thực tế ngay tại Việt Nam, chúng tôi đã đầu tư thực hiện đề tài “ỨNG DỤNG

LỌC PARTICLE TRONG BÀI TOÁN THEO VẾT ĐỐI TƯỢNG” với hai mục đích:
• Tìm hiểu phương pháp theo vết mới “lọc Particle”
• Ứng dụng phương pháp này trong bài toán theo vết đối tượng
Luận này được trình bày gồm bốn chương:
•

Chương 1:

Tổng quan về bài toán theo dõi đối tượng, giới thiệu chung về

bài toán theo dõi đối tượng bao gồm: giới thiệu, các ứng dụng, các thách
thức cùng với các hướng tiếp cận. Đồng thời đưa ra vấn đề mà đề tài tập
trung: các phương pháp theo vết thông dụng.

v


•

Chương 2:

Lọc Particle, giới thiệu phương pháp mà đề tài hướng đến: lọc

Particle. Trong chương này, sẽ trình bày từ tổng quan cho đến các cơ sở lý
thuyết của phương pháp lọc Particle.
•

Chương 3:

Ứng dụng lọc Particle trong bài tốn theo vết đối tượng, giới

thiệu về áp dụng phương pháp lọc Particle trong bài toán theo vết đối tượng
thực tế, với hai phuơng pháp mở rộng của lọc Particle mà đề tài hướng đến:
áp dụng phương pháp lọc Particle kết hợp với Mean shift trong bài toán theo
vết một đối tượng; áp dụng phương pháp lọc Particle trong bài toán theo vết
nhiều đối tượng (thuật tốn ODAPF).
•

Chương 4:

Kết luận, tổng kết lại những phần đã nghiên cứu, tóm tắt lại kết

quả đạt được, đồng thời đưa ra một số hướng phát triển cho việc giải quyết
bài toán.

vi


MỤC LỤC
LỜI CẢM ƠN .............................................................................................................i
Nhận xét của giáo viên hướng dẫn.............................................................................ii
Nhận xét của giáo viên phản biện ............................................................................ iii
TÓM TẮT LUẬN VĂN ...........................................................................................iv
MỞ ĐẦU ...................................................................................................................v
MỤC LỤC ...............................................................................................................vii
Danh mục hình vẽ ......................................................................................................x
Danh mục bảng biểu ................................................................................................xii
1. Tổng quan về bái toán theo dõi đối tượng .............................................................1
1.1. Giới thiệu ........................................................................................................1
1.2. Hệ thống theo dõi đối tượng ...........................................................................3

1.2.1. Phát hiện đối tượng ..................................................................................3
1.2.2. Phân đoạn.................................................................................................5
1.2.3. Theo vết đối tượng...................................................................................6
1.3. Các phương pháp theo vết thông thường........................................................6
1.3.1. So khớp mẫu (Template matching)..........................................................6
1.3.2. Theo vết Meanshift ..................................................................................7
1.3.3. Tiếp cận Bayesian ....................................................................................9
1.4. Kết luận .........................................................................................................14
2. Lọc Particle ..........................................................................................................15
2.1. Giới thiệu ......................................................................................................15
2.2. Nền tảng toán học .........................................................................................17
2.2.1. Phương pháp Monte Carlo.....................................................................19
2.2.2. Phương pháp hàm tích lũy xác suất nghịch đảo ....................................22

vii


2.2.3. Phương pháp lấy mẫu loại trừ................................................................23
2.2.4. Phương pháp Metropolis-Hasting..........................................................24
2.2.5. Phương pháp lấy mẫu quan trọng ..........................................................27
2.3. Phương pháp lấy mẫu quan trọng tuần tự .....................................................31
2.4. Giả lập thuật toán SIS ...................................................................................34
2.5. Các vấn đề về thuật toán SIS ........................................................................37
2.5.1. Sự thối hóa của thuật tốn SIS .............................................................37
2.5.2. Vấn đề chọn hàm mật độ đề xuất...........................................................40
2.5.3. Tái chọn mẫu..........................................................................................43
2.6. Thuật toán lọc Particle ..................................................................................50
2.7. Giả lập thuật toán lọc Particle.......................................................................52
2.8. Nhận xét ........................................................................................................56
3. Mở rộng của lọc Particle và ứng dụng trong theo vết đối tượng dựa vào video .58

3.1. Mở rộng của lọc Particle...............................................................................58
3.1.1. Multi-modal Particle Filter ....................................................................60
3.1.2. Thuật toán ODAPF ................................................................................66
3.1.3. Thuật toán MeanShift Particle ...............................................................70
3.2. Ứng dụng ......................................................................................................75
3.2.1. Phát hiện đối tượng ................................................................................76
3.2.2. Theo vết đối tượng.................................................................................81
3.3. Kết quả ..........................................................................................................84
3.3.1. Kết quả định tính....................................................................................84
3.3.2. Kết quả định lượng ................................................................................90
3.4. Kết luận .........................................................................................................92
4. Kết luận và hướng phát triển................................................................................93
4.1. Kết luận .........................................................................................................93

viii


4.2. Hướng phát triển ...........................................................................................94
DANH MỤC TÀI LIỆU THAM KHẢO.................................................................96

ix


Danh mục hình vẽ
Hình 1 Ví dụ về phương pháp lấy mẫu loại trừ .......................................................23
Hình 2 Thuật tốn Sequential Importance Sampling...............................................34
Hình 3 Dữ liệu giả lập thuật tốn SIS ......................................................................35
Hình 4 Kết quả lọc bằng SIS....................................................................................36
Hình 5 Sự thối hóa của thuật tốn SIS ...................................................................37
Hình 6 Ví dụ về trường hợp dẫn đến sai lầm khi chọn hàm mật độ đề xuất tối ưu.43

Hình 7 Thuật tốn tái chọn mẫu hệ thống................................................................47
Hình 8 Ví dụ về thuật tốn tái chọn mẫu với 3 mẫu ................................................48
Hình 9 Thuật tốn Particle Filter .............................................................................51
Hình 10 Dữ liệu giả lập thuật tốn lọc Particle........................................................53
Hình 11 Kết quả lọc bằng Particle Filter .................................................................53
Hình 12 Hiện tượng thối hóa mẫu đã được loại bỏ................................................54
Hình 13 Mật độ đề xuất kết hợp ..............................................................................67
Hình 14 Thuật tốn ODAPF Tracker.......................................................................70
Hình 15 Thuật tốn Mean Shift kết hợp Particle Filter ...........................................72
Hình 16 Kết quả lọc Particle qua các frame 2, 3, 4, 5, 6 (từ trái qua phải, từ trên
xuống dưới) ....................................................................................................................73
Hình 17 Kết quả lọc MS+Particle qua các frame 2, 3, 4, 5, 6 (từ trái qua phải, từ
trên xuống dưới).............................................................................................................73
Hình 18 Kết quả lọc Particle qua các frame 12, 13, 14, 15, 15 (từ trái qua phải, từ
trên xuống dưới).............................................................................................................74
Hình 19 Kết quả lọc MS+Particle qua các frame 12, 13, 14, 15, 16 (từ trái qua phải,
từ trên xuống dưới).........................................................................................................74
Hình 20 Hình nền và mặt nạ vùng chuyển động......................................................78
Hình 21 Kết quả học nền .........................................................................................79

x


Hình 22 Kết quả phát hiện đối tượng.......................................................................80
Hình 23 Thuật tốn phát hiện đối tượng dựa trên luật.............................................81
Hình 24 Mơ hình màu đa vùng ................................................................................83
Hình 25 Một kết quả thành cơng của ODAPF.........................................................86
Hình 26 Một kết quả thành cơng của ODAPF.........................................................87
Hình 27 Một kết quả theo dõi đa đối tượng.............................................................88
Hình 28 Thuật toán ODAPF bù lỗi cho thuật toán phát hiện đối tượng..................88

Hình 29 Thuật tốn ODAPF bù lỗi cho thuật tốn phát hiện đối tượng..................89
Hình 30 Thuật tốn ODAPF bù lỗi cho thuật tốn phát hiện đối tượng..................89
Hình 31 Trường hợp lỗi của ODAPF ......................................................................89
Hình 32 Trường hợp lỗi của ODAPF ......................................................................90
Hình 33 Trường hợp lỗi của ODAPF ......................................................................90

xi


Danh mục bảng biểu
Bảng 1 Kết quả so sánh Mean Square Error của SIS và thuật toán lọc Particle (N =
50 mẫu)...........................................................................................................................54
Bảng 2 Kết quả so sánh Mean Square Error của SIS và thuật toán lọc Particle (N =
100 mẫu).........................................................................................................................55
Bảng 3 Kết quả so sánh Mean Square Error của SIS và thuật toán lọc Particle (N =
150 mẫu).........................................................................................................................55
Bảng 4 Kết quả so sánh Mean Square Error của SIS và thuật toán lọc Particle (N =
200 mẫu).........................................................................................................................55
Bảng 5 Kết quả phát hiện và theo dõi đối tượng dùng thuật toán ODAPF đối với
những đoạn video ở góc quay 1 .....................................................................................91
Bảng 6 Kết quả phát hiện và theo dõi đối tượng dùng thuật tốn ODAPF đối với
những đoạn video ở góc quay 2 .....................................................................................91

xii


Luận văn tốt nghiệp

1. Tổng quan về bài toán theo dõi đối tượng
1.1. Giới thiệu

Theo dõi đối tượng theo thời gian thực (real-time object tracking) là một công đoạn
quan trọng trong rất nhiều ứng dụng thị giác máy tính (computer vision applications).
Những hệ thống thuộc loại này có thể kể ra như là: hệ thống quan sát – theo dõi đối
tượng, hệ thống giao diện người dùng dựa vào cảm nhận (perceptual user interface),
những căn phịng thơng minh, hệ thống nén video dựa vào đối tượng (object-based
video compression) và những hệ thống thông minh hỗ trợ tài xế lái xe tự động.
Một trong những mục tiêu quan trọng nhất của theo dõi đối tượng là để “hiểu” được
những chuyển động của đối tượng. “Hiểu” những thông tin về đối tượng như vị trí
trong khơng gian, vận tốc chuyển động và những đặc trưng vật lý khác, một hệ thống
thông minh có thể thực hiện các bước xử lý khác ở cấp cao hơn như nhận dạng đối
tượng, nhận dạng chuyển động, lý luận (reasoning) và tính tốn trên những đặc trưng
vật lý này.
Mặc dù đã được nghiên cứu nhiều năm, bài toán “theo dõi đối tượng” vẫn là một
vấn đề nghiên cứu mở cho đến ngày nay [Guo2001]. Mức khó khăn của vấn đề này
phụ thuộc nhiều vào đối tượng được phát hiện và theo vết như thế nào. Nếu như chỉ có
một vài đặc trưng thị giác, chẳng hạn như màu sắc … được dùng để biểu diễn đối
tượng, thì khá dễ dàng để xác định tất cả các pixel cùng màu với đối tượng. Nhưng
thực tế lại hoàn tồn khác, ví dụ như khn mặt của một người cụ thể sẽ có đầy đủ các
chi tiết tri giác và thông tin nhiễu chẳng hạn như các tư thế và sự chiếu sáng khác nhau,
rất khó để mà phát hiện, nhận diện và theo vết. Hầu hết các khó khăn này nảy sinh từ
khả năng biến động của ảnh video bởi vì các đối tượng video thường là các đối tượng
chuyển động. Khi một đối tượng chuyển động qua vùng quan sát của camera, hình ảnh

1


Luận văn tốt nghiệp

về đối tượng có thể thay đổi rất nhiều. Sự thay đổi này đến từ 3 nguồn chính: sự thay
đổi tư thế đối tượng đích hay sự biến dạng của đối tượng đích, sự thay đổi về độ chiếu

sáng, và sự che khuất (occlusion) một phần hay tồn bộ đối tượng đích.
Có rất nhiều phương pháp giải quyết bài tốn này, ta có thể phân loại thành bốn
cách tiếp cận chính: tiếp cận dựa trên mơ hình, tiếp cận dựa trên miền, tiếp cận dựa trên
đường viền và tiếp cận dựa trên đặc trưng.
•

Tiếp cận dựa trên mơ hình

Cách tiếp cận dựa trên mơ hình bao gồm việc tạo mơ hình hình học cấu
trúc của đối tượng. Các ràng buộc trên việc mơ hình được cho phép biến
dạng như thế nào có thể được kết hợp vào quá trình so khớp. Vấn đề với
cách tiếp cận này là q trình khởi tạo tự động thì khó và chi phí tính tốn
cao do độ phức tạp của mơ hình.
•

Tiếp cận dựa trên miền

Cách tiếp cận dựa trên miền bao gồm việc kết hợp một miền với mỗi đối
tượng đang được theo vết. Miền được theo vết qua thời gian bằng phép đo
độ tương tự. Lợi ích của cách tiếp cận này là khởi tạo khá dễ dàng, chỉ có vị
trí và kích thước của cửa sổ cần được định nghĩa. Các tham số của thuật tốn
cũng có ý nghĩa vật lý, dễ dàng khái niệm hóa.
•

Tiếp cận dựa trên đường viền

Cách tiếp cận dựa trên đường viền bao gồm tìm đường viền bao của một
đối tượng và sau đó cố gắng làm khớp đường viền với các đối tượng trong
các frame sau. Nơi khớp nhất sẽ là đường viền hiện tại, mơ hình sẽ cập nhật
đường viền hiện tại để phản ánh hình dáng của đối tượng trong frame hiện

tại. Q trình này được lặp lại với mơ hình đường viền được cập nhật. Ưu
điểm của cách tiếp cận này là là khả năng xử lý hiệu quả sự che khuất một

2


Luận văn tốt nghiệp

phần (partial occlusion). Tuy nhiên vấn đề với mơ hình là nó u cầu sự khởi
tạo chính xác, và điều này thì khó để thực hiện tự động.
•

Tiếp cận dựa trên đặc trưng

Khác với các cách tiếp cận trên đều theo vết toàn bộ đối tượng, cách tiếp
cận dựa trên đặc trưng chỉ theo vết một tập các đặc trưng của đối tượng. Ví
dụ như chỉ theo vết các điểm ở góc của đối tượng, vị trí của đối tượng trong
frame sau sẽ được tìm thấy bằng cách tìm các điểm góc mà khớp với các
điểm của mơ hình nhất. Ưu điểm của cách tiếp cận này là xử lý được sự che
khuất một phần. Khi đối tượng bị che khuất, một số các đặc trưng vẫn cịn
thấy được và có thể được dùng trong q trình theo vết. Khuyết điểm của
phương pháp này là chất lượng theo vết phụ thuộc nhiều vào việc chọn các
đặc trưng. Các đặc trưng phải được chọn sao cho chúng cung cấp sự nhận
diện duy nhất cho đối tượng, nó thì không phải là một nhiệm vụ dễ.

1.2. Hệ thống theo dõi đối tượng
Một hệ thống theo dõi đối tượng thông thường gồm 3 phần:
• Phát hiện đối tượng (Object Detection)
• Phân đoạn (Segmentation)
• Theo vết đối tượng (Object Tracking)

Dưới đây, sẽ mô tả nhiệm vụ của mỗi phần và một số cách tiếp cận để giải quyết
các phần trên. Các hệ thống theo dõi hiệu quả thường kết hợp nhiều phương pháp khác
nhau.

1.2.1. Phát hiện đối tượng
Phát hiện đối tượng trong video [Guo2001] là xác minh sự hiện diện của một đối tượng
trong chuỗi ảnh và cũng có thể định vị chính xác. Các hệ thống theo dõi đối tượng

3


Luận văn tốt nghiệp

thường bắt đầu bằng quá trình phát hiện đối tượng, ngoài ra phát hiện đối tượng được
lặp lại trong chuỗi ảnh sau thường cần thiết hỗ trợ và xác minh cho quá trình theo vết.
Một số cách tiếp cận phát hiện đối tượng thông dụng:
a) Phát hiện đối tượng dựa trên đặc trưng
Tùy vào đặc trưng được chọn, ta có các cách tiếp cận khác nhau như:
dựa trên hình dáng, dựa trên màu sắc. Trong đó, cách tiếp cận dựa trên màu
sắc được xem là thông dụng nhất vì đặc trưng màu sắc thì dễ dàng lấy được
và chi phí tính tốn thấp.
b) Phát hiện đối tượng dựa trên mẫu
Nếu như có một mẫu mơ tả đối tượng, thì việc phát hiện đối tượng trở
thành quá trình so khớp các đặc trưng giữa mẫu và chuỗi ảnh dưới sự phân
tích. Phát hiện đối tượng với việc so khớp chính xác thường tốn nhiều chi
phí và chất lượng so khớp phụ thuộc vào chi tiết và mức độ chính xác của
mẫu đối tượng. Có hai kiểu so khớp mẫu, so khớp mẫu cố định và so khớp
mẫu biến dạng.
c) Phát hiện đối tượng chuyển động
Phần lớn các nghiên cứu về cách giải quyết bài toán theo dõi đối tượng

được tập trung trên vấn đề phát hiện đối tượng chuyển động trong thập kỷ
qua. Bởi hầu hết các hệ thống theo dõi thì quan tâm đến các đối tượng đang
chuyển động. Có rất nhiều thuật tốn phát hiện chuyển động đã được đề
nghị. Chúng được phân loại tương đối thành các nhóm sau.
• Dựa trên các kỹ thuật lấy ngưỡng
Cách tiếp cận này dựa trên việc phát hiện những thay đổi theo
thời gian tại mức pixel hay khối. Kỹ thuật lấy ngưỡng được sử dụng
nhằm chống nhiễu, gia tăng hiệu quả của thuật toán. Một số phương

4


Luận văn tốt nghiệp

pháp theo cách tiếp cận này như: phát hiện chuyển động dựa trên sự
khác biệt theo thời gian, phát hiện chuyển động dựa trên trừ nền.
• Dựa trên các kiểm tra thống kê
Sự khác biệt giữa các frame được mơ hình như hỗn hợp của phân
bố Gaussian và Laplacian.
• Dựa trên việc xây dựng hàm chi phí toàn cục
Vấn đề phát hiện chuyển động được đưa vào cơng thức nhằm
giảm thiểu hàm mục tiêu tồn cục. Mơ hình được sử dụng rộng rãi là
các trường ngẫu nhiên Markov theo không gian (Spatial Markov
Random Fields) qua phân bố Gibbs. Phương pháp này thì mạnh,
nhưng cũng tốn khá nhiều chi phí.

1.2.2. Phân đoạn
Phân đoạn các chuỗi ảnh [Smith1997] thành các đối tượng chuyển động khác nhau là
bước kế tiếp sau khi phát hiện đối tượng. Việc phân đoạn này thường dựa trên thơng tin
vận tốc chuyển động ví dụ như từ các đối tượng ở giai đoạn đầu, ta kết hợp các đối

tượng có cùng vận tốc chuyển động theo một ràng buộc nào đó chẳng hạn là tính lân
cận.
Ta có các cách tiếp cận sau:
• Phân đoạn dựa trên các phép đo cục bộ (Local Measurements)
• Phân đoạn dựa trên phân cụm đơn giản (Simple Clustering) hay sự mâu
thuẫn với vận tốc nền (Inconsistency with Background Flow)
• Phân đoạn dựa trên các phép biến đổi ảnh phân tích (Analytic Image
Transformations)
• Phân đoạn dựa trên q trình quy tắc hóa (Regularization)

5


Luận văn tốt nghiệp

• Phân đoạn dựa trên phân cụm có sắp xếp tồn cục (Globally Organized
Clustering)

1.2.3. Theo vết đối tượng
Theo vết đối tượng [Guo2001] là giám sát các thay đổi theo không gian và thời gian
của đối tượng trong suốt chuỗi video, bao gồm sự hiện diện, vị trí, kích thước, hình
dáng… của đối tượng.
Một số phương pháp theo vết thơng thường:
• So khớp mẫu
• Theo vết Meanshift
• Tiếp cận Bayesian (lọc Kalman, lọc Particle)

1.3. Các phương pháp theo vết thông thường
1.3.1. So khớp mẫu (Template matching)
Thủ tục trong so khớp mẫu như sau: một miền nhỏ chung quanh điểm cần được theo

vết sẽ được dùng làm mẫu. Mẫu này sau đó dùng để tìm ra frame ảnh kế tiếp bằng cách
sử dụng các kỹ thuật tương quan [Krattenthaler1994]. Vị trí với kết quả cao nhất sẽ là
so khớp tốt nhất giữa mẫu và ảnh.
Bằng cách cập nhật các mẫu theo chuỗi ảnh, các biến dạng lớn cũng có thể được
theo vết [Jain1996]. Sử dụng một trong 3 luật cập nhật cơ bản như sau:
1. Nếu có một sự thay đổi lớn giữa vị trí mẫu ban đầu và vị trí mới thì vị trí
mẫu mới được chọn. Trong trường hợp này, các mẫu được hốn đổi hồn
tồn bởi hình dạng mới của chúng.
2. Nếu có các thay đổi nhỏ giữa vị trí ban đầu và mới của mẫu, một phiên bản
trung bình giữa mẫu mới và cũ sẽ được tính và được cập nhật như mẫu mới.

6